XNews

谷歌 / DeepMind Gemini 发布及实时 API

谷歌 / DeepMind Gemini 发布及实时 API

谷歌宣布推出 Gemini Live API(Gemini 2.5 Flash 原生音频)和交互 API,以及 Gemini 深度研究代理。

Key insights

Gemini Live API 提供原生低延迟音频多模态

谷歌推出了基于 Gemini 2.5 Flash 原生音频构建的 Gemini Live API,支持单连接 WebSocket 音频输入和输出,无需拼接 STT/LLM/TTS。该 API 强调毫秒级延迟、原生音频处理、情感和可打断响应、实时工具调用、跨多模态交互的持久记忆以及企业级可用性。快速入门模板包括 Vanilla JS 和 React,谷歌提供了实时商业顾问、多模态客户支持和游戏内语音助手的演示。

实时语音到语音翻译已在翻译工具中部署

谷歌在翻译工具中启用了由 Gemini 提供支持的实时语音到语音翻译,并宣布计划于明年初向开发者开放访问。该功能利用相同的原生音频能力,以减少延迟并提供更自然的对话翻译。

Gemini 深度研究代理旨在实现自主深度研究工作流程

DeepMind 发布了 Gemini 深度研究代理,基于 Gemini 3 Pro 构建,旨在自主规划和执行复杂的研究任务:规划、搜索、阅读、发现差距和迭代。该代理将私有文档与网络数据集成,返回可验证的引用,并通过新的交互 API 和谷歌AI工作室进行暴露。报告的内部基准分数包括 DeepSearchQA 66.1%、人类最后的考试 46.4% 和 BrowseComp 59.2%。

交互 API 为开发者统一模型和代理接口

谷歌发布了交互 API,作为与模型和代理交互的单一接口,使开发者能够控制多步骤代理工作流程和结构化输出(JSON、表格)。该 API 支持插件式工具调用,旨在简化代理(如 Gemini 深度研究)的集成。

Source posts